Cómo el aprendizaje automático nos ayuda a predecir enfermedades cardíacas y diabetes

El análisis ya está revolucionando la atención médica.
Cómo el aprendizaje automático nos ayuda a predecir enfermedades cardíacas y diabetes
Resumen.

Una de las mayores innovaciones sanitarias que podrían reducir drásticamente los costos y mejorar los resultados es la tecnología de análisis predictivo. En este artículo, el autor describe investigaciones recientes que encontraron que los algoritmos de aprendizaje automático podrían aumentar significativamente la precisión diagnóstica. Aunque muchas de estas herramientas se encuentran todavía en las primeras etapas de desarrollo —y no llegan sin su parte justa de riesgo— ofrecen el potencial de tener un impacto positivo importante en la industria sanitaria mundial.


Mientras el debate se prolonga sobre la legislación, las regulaciones y otras medidas para mejorar el sistema de atención de la salud de los Estados Unidos, una nueva ola de análisis y tecnología podría ayudar a reducir drásticamente las hospitalizaciones costosas e innecesarias mientras mejora los resultados para los pacientes. Por ejemplo, al prevenir las hospitalizaciones en casos de sólo dos enfermedades crónicas generalizadas — enfermedades cardíacas y diabetes — los Estados Unidos podrían ahorrar miles de millones de dólares al año.

Con este fin, mis colegas y yo del Centro de Ingeniería de Información y Sistemas de la Universidad de Boston nos hemos esforzado por llevar el poder de los algoritmos de aprendizaje automático a este problema crítico. En un esfuerzo continuo con los hospitales del área de Boston, incluyendo el Centro Médico de Boston y el Brigham and Women’s Hospital, fundar que podríamos predecir las hospitalizaciones debidas a estas dos enfermedades crónicas con aproximadamente un año de antelación con una tasa de exactitud de hasta el 82%. Esto dará a los proveedores de atención la oportunidad de intervenir mucho antes y dejar de hospitalizar. Nuestro equipo también está trabajando con el Departamento de Cirugía del Boston Medical Center y puede predecir las readmisiones dentro de los 30 días posteriores a la cirugía general; la esperanza es guiar la atención postoperatoria para prevenirlos.

Los hospitales proporcionan registros médicos electrónicos anónimos (EHR) de los pacientes que contienen toda la información que el hospital tiene sobre cada paciente, incluyendo datos demográficos, diagnósticos, ingresos, procedimientos, signos vitales tomados en las visitas al médico, medicamentos recetados y resultados de laboratorio. Luego desatamos nuestros algoritmos para predecir quién podría tener que ser hospitalizado. Esto da al hospital la oportunidad de intervenir, tratar la enfermedad de forma más agresiva en un entorno ambulatorio y evitar una hospitalización costosa mientras mejora la condición del paciente.

Las tasas de exactitud de estas predicciones superan lo que es posible con sistemas de puntuación de riesgos bien aceptados como el que surgió del famoso Estudio del Corazón Framingham, el estudio de cohorte cardiovascular a largo plazo que se encuentra actualmente en su tercera generación de participantes. Usando ese sistema, un médico evalúa la edad del paciente, el colesterol, el peso, la presión arterial y varios otros factores para llegar a las posibilidades de desarrollar enfermedades cardiovasculares en los próximos 10 años. Utilizando la puntuación de riesgo cardiovascular a 10 años de Framingham Study, se puede predecir hospitalizaciones con una precisión de aproximadamente 56%, que es sustancialmente inferior a la tasa del 82% que logramos.

De hecho, encontramos que la alimentación de los factores utilizados en el puntaje de riesgo a 10 años de Framingham en métodos de aprendizaje automático más sofisticados todavía conduce a resultados inferiores a los nuestros (una tasa de precisión de alrededor del 69%). Esto sugiere que el uso de la totalidad de la EHR de un paciente (que puede contener hasta 200 factores) en lugar de sólo unos pocos factores clave conduce a resultados de predicción superiores. Además, un enfoque algorítmico se puede escalar fácilmente para que se pueda aplicar a un gran número de pacientes, algo que es imposible sólo con monitores humanos.

Los beneficios potenciales de la aplicación de análisis de aprendizaje automático en el cuidado de la salud son enormes. Basado en un estudio del valor de un año de ingresos hospitalarios, el Agencia de los Estados Unidos para la Investigación y Calidad de la Salud (AHRQ) estimada que 4,4 millones de esas entradas en los Estados Unidos, por un total de 30.800 millones de dólares en gastos, podrían haberse evitado. De esos 30.800 millones de dólares, 9.000 millones se destinaron a pacientes con enfermedades del corazón y 5.800 millones de dólares a pacientes con complicaciones de la diabetes. Eso es la mitad de todas las hospitalizaciones innecesarias.

Solo el 5% de los 70 millones de beneficiarios de Medicaid representan el 54% de los gastos anuales de Medicaid de más de $500 mil millones, y el 1% representa el 25% del total. De este 1%, el 83% tiene al menos tres afecciones crónicas. Los enfoques como el nuestro podrían reducir su uso de los servicios hospitalarios y ahorrar a Medicaid una gran cantidad de dinero.

Las reformas en curso de los Estados Unidos en la atención de salud que vinculan los pagos con los resultados están obligando a los hospitales a asumir más riesgos financieros. Como respuesta, los hospitales hacen cada vez más la analítica y las nuevas tecnologías una parte integral de las operaciones hospitalarias. Los análisis de negocios ampliamente utilizados en la industria del transporte por las compañías aéreas y navieras están empezando a emplearse para programar quirófanos y personal. Se están desarrollando otros algoritmos para ayudar a los médicos a hacer diagnósticos. Mi equipo ha desarrollado métodos para valorar automáticamente los medicamentos en unidades de cuidados intensivos en respuesta a la condición del paciente.

Estos avances son sólo la punta del iceberg. Estamos en la cúspide de cambios importantes en la vigilancia y la atención de la salud. Google y otras empresas con mucha experiencia en la recopilación y el aprendizaje de datos parecen listas para entrar en este dominio. Una miríada de tecnologías, desde dispositivos médicos implantables (como desfibriladores y marcapasos) hasta rastreadores, relojes inteligentes y teléfonos inteligentes ya capturan nuestros datos de salud y opciones de estilo de vida. Nuestros sistemas de pago electrónico y tarjetas de crédito conocen nuestro historial de compras y el tipo de alimentos que consumimos. El resultado es la aparición de un rico historial de salud personal que llevamos en nuestros bolsillos.

Si ahora podemos predecir futuras hospitalizaciones con más del 80% de precisión utilizando solo los registros médicos, imaginemos lo que es posible si podemos aprovechar este tesoro de datos personales. Los sistemas de recomendación podrían utilizarse para empujarnos a adoptar hábitos alimentarios y comportamientos más saludables. El santo grial de salir del surgimiento de condiciones manteniendo a la gente bien podría ser realizado.

Sí, la analítica y el monitoreo personalizado de la medicina y la salud basados en datos presentan riesgos. ¿Queremos que nuestros empleadores y aseguradoras de salud conozcan el estado de nuestra salud y los riesgos que enfrentamos? La privacidad, la seguridad y la fiabilidad de los nuevos sistemas y métodos también son preocupaciones críticas. Pero en lugar de retirarnos de esta nueva era, deberíamos trabajar en cómo fortalecer nuestros métodos, instituciones, leyes y marco regulatorio para evitar esas consecuencias no deseadas. Los algoritmos — la base de los métodos de cifrado, el procesamiento de datos que preserva la privacidad y los sistemas de detección de intrusiones y fraudes — podrían ayudar.


Escrito por
Yannis Paschalidis



Related Posts
Si quieres ser original, empieza desde una caja diferente

Si quieres ser original, empieza desde una caja diferente

Estaba atorada. ¿No en el bloqueo del escritor o qué siguiente acción debo tomar? Tipo de camino, pero en el sentido literal. Estaba montando un ATV (todo el vehículo de Terreno), que parece una motocicleta, pero con cuatro neumáticos nubby enormes, con globo, y me quedé atrapado en barro, con mis dos [...] traseras.
Leer más
Charla directa del nuevo CEO

Charla directa del nuevo CEO

Ya que soy totalmente nuevo en esta empresa, no tienes forma de saber qué creo que creo que los gerentes tienen que hacer para cumplir sus roles. Tampoco sabes qué esperar de mí mientras trabajamos juntos. Tienes derecho a conocer estas cosas desde el principio. Quiero hablar de tres asuntos: [...]
Leer más

Newsletter

Avanza tu carrera profesional, con el resumen semanal de las publicaciones, un libro de negocio resumido en 10 minutos y entrevistas con líderes de negocio